基于对抗式图像到频率变换的无监督像素级道路缺陷检测
计算机视觉与模式识别
2020-02-04 v2 机器学习
图像与视频处理
摘要
过去几年中，得益于计算机视觉与深度学习各项研究的进展，道路缺陷检测的性能得到了显著提升。尽管大规模且标注良好的数据集在一定程度上增强了道路路面缺陷检测的性能，但由于考虑多样道路条件与缺陷模式来构建数据集十分困难，推导出一个能在实践中对各种道路条件均可靠运行的模型仍具挑战性。为此，我们提出一种利用对抗式图像到频率变换(AIFT)的无监督道路缺陷检测方法。AIFT在推导缺陷检测模型时采用无监督方式与对抗学习，因此AIFT不需要道路路面缺陷的标注。我们使用GAPs384数据集、Cracktree200数据集、CRACK500数据集与CFD数据集评估AIFT的效率。实验结果表明，所提方法能检测多种道路缺陷，且优于现有的SOTA方法。
引用
@article{arxiv.2001.11175,
title = {Unsupervised Pixel-level Road Defect Detection via Adversarial Image-to-Frequency Transform},
author = {Jongmin Yu and Duyong Kim and Younkwan Lee and Moongu Jeon},
journal= {arXiv preprint arXiv:2001.11175},
year = {2020}
}
备注
Submitted to IV2020